배치 양자 얽힘 탐지를 위한 클래식 밴딧 알고리즘

초록

이 논문은 두‑큐비트 파라미터화된 상태 집합 𝔽에서, 단일 파라미터 위협자(witness) 측정을 수행하고 얻은 확률 데이터를 임계값 밴딧(Thresholding Bandit) 알고리즘에 연결함으로써 K개의 미지 상태 중 얽힌 상태를 효율적으로 구분한다. 이 접근법은 전통적인 전 상태 토모그래피에 비해 샘플 복잡도가 크게 감소하며, IBM Quantum 백엔드 실험을 통해 실용성을 입증한다.

상세 분석

본 연구는 양자 얽힘 검출을 “배치” 형태로 정의하고, 기존의 전 상태 토모그래피(FST) 혹은 고정된 위협자 집합을 순차적으로 적용하는 방식이 갖는 비효율성을 극복하고자 한다. 핵심 아이디어는 Zhu·Teo·Englert(2010)에서 제시된 단일 파라미터 위협자 ρ_w(α) = cos²α I − |ψ⟩⟨ψ|^{T_B} 를 이용해, 각 상태에 대해 4개의 확률 f_i = Tr(E_i ρ) 를 측정하고, 이를 S = 4f₁f₂ − (f₃ − f₄)² ≥ 0 라는 이차식으로 변환한다. S가 음이면 얽힘이 확정적으로 존재한다는 판정이다. 이때 α는 0~π/4 범위에서 최적값을 탐색한다.

논문은 이러한 위협자 기반 판정을 다중 팔 밴딧(MAB) 문제에 매핑한다. 각 미지 상태를 하나의 “팔”로 보고, 팔 i의 “보상”은 해당 상태에 대한 S값(또는 그 부호)으로 정의한다. 목표는 (m, K)‑Good‑Arm‑Identification(GAI) 문제와 동일하게, 사전에 정해진 임계값 ζ에 대해 μ_i ≥ ζ 인 팔을 최소한 λ개 정확히 식별하는 것이다. 이를 위해 저자들은 기존의 Fixed‑Confidence GAI 알고리즘인 Hybrid‑Dilemma‑of‑Confidence(HDoC)와 lil‑UCB 변형을 적용하고, 각 팔에 할당되는 샘플 수를 동적으로 조절한다.

이 접근법의 이론적 강점은 두 가지이다. 첫째, 위협자 측정은 두 큐비트 시스템에 대해 최대 15개의 독립 기대값을 제공하므로, 모든 위협자를 순차적으로 적용할 필요 없이 적은 수의 측정으로 충분히 정보를 획득한다. 둘째, MAB 정책이 제공하는 (λ, δ)‑정확성 보장은 전체 배치에 대해 1 − δ 확률로 모든 얽힌 상태를 놓치지 않으며, 샘플 복잡도는 최소 갭 Δ = min_i|μ_i − ζ|에 대해 O(Δ⁻² log log Δ⁻¹) 수준으로, 기존 BAI/GAI 최적 복잡도와 동등하거나 더 좋다.

실험적으로는 IBM Quantum ibm‑brisbane 및 여러 클라우드 백엔드에서 𝔽에 속하는 Depolarised Bell, Bell‑diagonal, Werner 상태들을 100~200개의 배치로 생성하였다. 결과는 고정된 위협자 6개를 전부 측정하는 전통적 방법에 비해 평균 2.3배 적은 복제 수로 동일한 정확도(>99.5% δ = 0.01) 를 달성했으며, 노이즈 모델을 포함한 시뮬레이션에서도 이론적 복잡도와 일치하는 스케일링을 보였다. 또한, 상태가 𝔽 외에 존재할 경우 위협자만으로는 판정이 불가능함을 수치적으로 확인하고, 필요 시 전 상태 토모그래피로 전환하는 하이브리드 전략을 제안한다.

결론적으로, 이 논문은 양자 얽힘 검출 문제를 고전적인 머신러닝 기법인 밴딧 최적화와 연결함으로써, 측정 자원을 효율적으로 배분하고 이론적·실험적 보장을 동시에 제공하는 새로운 프레임워크를 제시한다.